Klasifikasi Multilabel adalah masalah pembelajaran yang diawasi di mana model dilatih untuk menetapkan setiap dokumen masukan ke sekumpulan label, di mana satu atau lebih label dapat dikaitkan dengan setiap dokumen. Berbeda dengan klasifikasi kelas jamak, yang hanya memberikan satu label untuk setiap item dalam masukan tertentu.
Klasifikasi Multilabel dapat digunakan ketika kelas objek bersifat hierarkis. Misalnya, saat mengklasifikasikan gambar mobil, gambar tersebut dapat ditempatkan ke dalam label “kendaraan” dan “mobil”. Di sini, label “mobil” adalah sub-label dari label “kendaraan” yang lebih umum. Klasifikasi Multilabel dengan label hierarkis memungkinkan label yang diberikan menjadi lebih spesifik.
Klasifikasi Multilabel juga bisa lebih akurat ketika mengklasifikasikan data yang kompleks, karena memungkinkan adanya banyak label dan memungkinkan mesin membuat pilihan berdasarkan semua label yang terkait dengan item tertentu. Sebagai contoh, ketika mengklasifikasikan gambar kendaraan, Klasifikasi Multilabel memungkinkan mesin membuat pilihan berdasarkan label “mobil”, “sepeda motor”, “truk”, dan sebagainya.
Klasifikasi Multilabel juga dapat digunakan dalam tugas kategorisasi berbasis teks, seperti artikel berita. Di sini, artikel tertentu dapat diklasifikasikan berdasarkan label topik artikel, wilayah yang terkait, dan bahkan sentimen yang diungkapkan dalam teks.
Klasifikasi Multilabel menjadi semakin populer seiring dengan meningkatnya ketersediaan dan ketersediaan kumpulan data berlabel dalam jumlah besar. Dengan memanfaatkan kemampuan Klasifikasi Multilabel untuk menetapkan beberapa label pada data, akurasi yang lebih tinggi dapat dicapai.